基于多域物理信息神经网络的复合地层隧道掘进地表沉降预测

复合地层中盾构掘进诱发地表沉降的准确预测是隧道工程安全建设与施工决策的关键问题。基于隧道施工诱发地层变形机制构建隧道收敛变形与掘进位置的联系,并将其耦合至深度神经网络(deep neural network,简称DNN)框架,建立了预测盾构掘进诱发地层变形的物理信息神经网络(physics-informed neural network,简称PINN)模型。针对隧道上覆多个地层的地质特征,提出了多域物理信息神经网络(multi-physics-informed neural network,简称MPINN)模型,实现了在统一的框架内对不同地层的物理信息分区域表达。结果表明:MPINN模型高度还原了有限差分法的计算结果,可以准确预测复合地层中隧道开挖诱发的地表沉降;由于融入了物理机制,MPINN模型对隧道施工诱发地表沉降的问题具有普适性,可应用于不同地质和几何条件下隧道诱发地表沉降的预测;基于工程实测数据,提出的MPINN模型准确预测了监测断面的地表沉降曲线,可为复合地层下盾构掘进过程中地表沉降的预测预警提供参考。

双曲型方程激波捕捉的物理信息神经网络(PINN)算法

双曲型方程的数值求解算法研究一直是偏微分方程研究的热点,其中,双曲型方程的间断捕捉是难点。受物理信息神经网络(physics-informed neural networks,PINN)启发,构造了改进的PINN算法,近似求解双曲型方程的间断问题。将坐标构造的数据集作为神经网络的输入,将PINN算法中的损失函数作为训练输出值与参考解(基于细网格的熵相容格式数据)或准确解的误差值,通过网络优化,最小化损失函数,得到最优网络参数。最后用数值算例验证了算法的可行性,数值结果表明,本文算法能捕捉激波,分辨率高,且未产生伪振荡。

基于物理信息神经网络的盾构隧道诱发地表沉降预测

地表沉降是城市复杂环境下盾构隧道施工重点关注的问题。传统机器学习方法在预测隧道施工诱发地表沉降时忽略了其内在的物理机理,存在对训练样本需求量较大的弊端。基于深度神经网络(deep neural networks, DNN)对Verruijt-Booker解的围岩位移因子进行修正,构建地表沉降与隧道开挖面空间位置的关联。将修正后的Verruijt-Booker解的物理方程耦合至另一并行的DNN框架中,构建数据-物理双驱动的物理信息神经网络模型(physics-informed neural networks, PINN),从而约束神经网络在满足物理机制的空间中进行训练。算例分析的结果表明:在同等配置的条件下,提出的PINN模型的预测效果显著优于单一数据驱动的传统DNN模型,其外推泛化性能得到显著提升。工程应用的结果表明:PINN模型可以利用施工前期的实测数据,准确预测后续施工过程中开挖面在不同位置时监测断面的地表沉降值。提出的方法有助于提高盾构隧道施工过程中地表沉降控制的智慧化程度,可为工程的潜在风险及施工决策提供预警和指导。

基于物理信息神经网络的同步发电机建模

采用物理机理建立的同步发电机模型在表达发电机真实的非线性特性方面存在不足,电力系统正在不断研究和采纳新的同步发电机模型以增强模型的准确性。数据驱动模型具有更强的非线性表达能力,但在同步发电机建模实际应用中面临着模型泛化性不强和所需数据量大等问题。为克服上述问题,该文结合神经元建模原理,以循环神经网络为基本框架,在同步发电机物理机理的引导下,提出基于物理信息神经网络的同步发电机模型。经过算例验证,所提模型可准确表达同步发电机磁饱和特性,并且具有较强的泛化性。该模型可在小规模数据下对同步发电机各阶模型达到更高的拟合准确度,并可应用于现有机电暂态仿真算法。

基于物理信息的时间卷积神经网络风电功率预测

由于风力的不确定性和随机性,风电功率预测对电力系统的稳定运行至关重要;为提高风电功率模型的预测精度;对风力发电机的数学模型进行研究后,将物理建模和数据驱动建模相结合,提出一种基于物理信息的时间卷积神经网络模型用于风力发电机的功率预测;采用将风力发电机的转子运动方程嵌入时间卷积神经网络的损失函数,从而提高模型的预测能力,泛化性和物理可解释性;并在Simulink仿真软件中搭建风力发电机物理模型以获取实验数据样本,经同工况实验和外推实验表明,基于物理信息的时间卷积神经网络模型相较于原时间卷积神经网络模型的同工况实验均方根误差下降50.8%,外推实验的均方根误差下降55.2%,显著提高了风力功率预测的准确性。

物理信息神经网络求解五阶emKdV方程的正反问题

该文利用物理信息神经网络(PINNs)对扩展的五阶mKdV(emKdV)方程的正反问题进行求解,并对孤子的动力学行为进行分析、模拟.针对正问题,选用双曲正切函数tanh作为激活函数求解方程的一、二、三孤子解,并将PINNs方法求得的数据驱动解与借助简化的Hirota方法给出的方程精确解进行比较,一孤子解的精度为O(10^(-4)),二、三孤子解的精度为O(10^(-3)).针对反问题,分别由一、二、三孤子解的数据进行驱动求解方程的两个待定系数,并在不同的噪声下探究算法的鲁棒性.当在训练数据中加入1%的初始噪声或观测噪声时,待求系数的预测精度可分别达到O(10^(-3))和O(10^(-2));当加入3%的初始噪声或观测噪声时,预测精度依然可以达到O(10^(-2));由实验数据分析可知观测噪声对PINNs模型的影响要略大于初始噪声.

基于物理信息驱动神经网络的三维初至波旅行时计算方法

在地震勘探中,初至波旅行时的精确求取是偏移成像和旅行时反演等处理技术的重要基础。基于程函方程的有限差分算法在地震波旅行时求取中展现出良好的效果,但需要付出巨大的计算成本,尤其是对多震源、高密度网格的旅行时计算。为此,提出了一种基于物理信息驱动神经网络(PINN)的三维程函方程旅行时求取算法,由三维程函方程及其物理条件信息构成损失函数,再通过最小化该损失函数训练神经网络,最终输出满足程函方程的旅行时结果。不同速度模型的数值模拟实验结果表明,所提方法相对于传统算法具有更高的计算效率和更高的精确度。

基于物理信息神经网络的Burgers-Fisher方程求解方法

为了探索基于物理信息的神经网络(PINN)求解微分方程时,物理信息在训练神经网络中的作用,提出将物理信息分为规律信息和数值信息2类,以阐释PINN求解微分方程的逻辑,以及物理信息的数据驱动方式和神经网络可解释性.设计基于2类信息的神经网络综合损失函数,并从训练采样和训练强度2方面建立信息的训练平衡度,从而利用PINN求解Burgers-Fisher方程.实验表明,PINN能够获得较好的方程求解精度和稳定性;在求解方程的神经网络训练中,Burgers-Fisher方程的数值信息比规律信息能更好地促进神经网络逼近方程解;随着训练采样和迭代次数的增加,以及2类信息的平衡,神经网络训练效果得到提高;增加神经网络规模可以提高方程求解精度,但也增加了网络训练迭代时间,在固定训练时间下并非神经网络规模越大效果越好.

基于物理信息神经网络的热网动态状态估计方法

在城市综合能源系统中,热网状态估计针对慢动态系统,存在计算精度低、参数不准确、量测不完备的特点。基于物理信息神经网络(PINNs),将含偏微分方程约束的热网动态状态估计问题转化为自动满足偏微分方程约束的神经网络训练问题,并基于损失函数对参数的梯度下降完成热网参数的在线辨识;再将其应用于滚动时间窗中进行在线训练,实现了状态量的动态追踪;进一步基于PINNs对未来时间窗的预测能力提出了一种新的坏数据辨识方法;最后在5节点和27节点热网算例中验证了所提方法的有效性。

采用混合粗糙数据物理信息神经网络的扑翼气动性能预测方法

为解决时空尺度上扑翼流动控制方程求解需要花费大量时间和计算资源的问题,基于强非线性曲线拟合能力的物理信息神经网络(PINN)深度学习方法,提出了一种混合粗糙数据驱动物理信息神经网络模型(HCDD-PINN),研究了模型对涉及非定常流动特征和动边界二维俯仰扑翼问题的训练和预测性能。通过使用相较于传统计算流体动力学方法(CFD)更为粗糙的数据驱动模型训练,将扑翼流动控制方程嵌入神经网络损失中,并施加初始条件和边界条件约束,采用一阶自适应矩优化算法(ADAM)和二阶拟牛顿法优化算法(L-BFGS-B),以前馈-反向传播方式最小化模型损失函数,从而提高模型预测控制方程数值解的准确性和可靠性。结果表明:与原始PINN模型相比,HCDD-PINN模型显著降低了流场的预测误差,能够准确地预测扑翼瞬时气动力和瞬时速度及压力场,训练时间缩短了75%。此外,训练完成的HCDD-PINN模型可以快速获得流场任意时刻的物理信息,而传统CFD方法则需要重新对流场进行计算。该研究为求解扑翼流动控制方程乃至流体非线性偏微分方程组(PDEs)提供了一种有效的替代方案。

信息物理系统事件驱动下的农业气象监测系统

针对传统农业气象观测和当前传感器技术存在的不足,设计了一套基于信息物理系统(Cyber-physical system,CPS)的气象远程监测系统。针对信息物理系统时空特性,基于节点事件驱动方法,建立了3层信息物理系统模型,并给出了时空事件建模方法。该系统由边缘设备负责感知,云平台负责计算,通过事件-行为模式保证时空同步性,实现了气象信息采集、传输和处理的高度集成,同时在网络边缘处应用卷积神经网络实现设备电量识别以自适应采集频率。通过在河北工业大学测试点开展的采集试验和系统模型试运行结果表明,系统表现出较好的实时性、稳定性和时空同步性,农业气象信息的采集、传输、处理和远程监控等各项功能均可满足各级用户需求。

有限差分法和PINN法求解微分方程的探讨

在工程实际中的许多问题最终都可以转化为微分方程。由于一些微分方程复杂性,这些方程求解通常具有一定的难度。随着计算机的迅速发展,使得这些方程可以数值求解。如何设计高效的微分方程数值解法尤其重要。微分方程数值解法通常包括有限差分、有限元、有限体积等。近年来基于深度学习的微分方程求解方法十分火热。本文对内嵌物理信息神经网络(PINN)方法进行探讨。我们用传统的有限差分法和PINN法对常微分两点边值问题和偏微分方程中的一类热传导方程进行数值求解,对比分析两种数值解法的优缺点。从数值实验结果中可以看出用PINN相对于传统有限差分法求解微分方程具有更好的精度和效率。

PINNs算法及其在岩土工程中的应用研究

物理信息神经网络(PINNs)算法采用自动微分方法将偏微分方程直接嵌入神经网络中,从而实现对偏微分方程的智能求解,属于一种新型的无网格算法,具有收敛速度快和计算精度高等优点。PINNs不仅能够实现对偏微分方程求解,还能够对偏微分方程未知参数进行反演,因此对岩土工程复杂问题具有广泛的应用前景。为了验证PINNs算法在岩土工程领域的可行性,对连续排水边界条件下的一维固结理论进行求解和界面参数反演。计算结果表明,PINNs数值结果与解析解具有高度一致性,且界面参数反演结果准确,说明PINNs算法能够为岩土工程相关问题提供新的求解思路。

基于PINN的燃料棒稳态温度分布快速预测方法研究

本研究建立了一种基于物理信息神经网络(PINN)的燃料棒稳态温度分布快速预测方法。将燃耗、线功率、温度边界、空间位置等作为特征参数,利用PINN求解参数化的固体导热方程。基于该方法分别建立了燃料芯块和包壳稳态温度分布快速预测模型,计算结果表明:快速预测模型的计算速度相比商业有限元软件而言快1000倍,同时具有较高精度,芯块和包壳稳态温度与验证集相比预测最大相对偏差分别约0.318%、0.013%,可以快速且准确地预测燃料棒稳态温度分布。

基于稀疏数据的流场结构重构方法研究

无论是基于数值模拟还是物理实验,高精度流场数据的获取数量都极为有限,并且往往伴随着高昂的成本.现有方法无法通过有限数据重构出更加精细的流场结构,这极大地制约了相关气/水动相关工程问题的设计精度与设计效率.物理信息驱动型神经网络框架的提出,使得传统数据驱动型神经网络无法处理稀疏的问题在一定程度上得到解决.文中以物理信息驱动型神经网络框架为基础,发展了基于稀疏数据的流场结构重构方法,通过耦合流场物理信息,利用少量数据训练神经网络并输出全流场数据.通过分析重构流场的水动力特性与涡脱落特性,揭示了物理信息驱动型神经网络的预测误差机理,讨论了该方法对不同流场结构的预测能力.结果表明,物理信息驱动型神经网络通过耦合NS方程,仅利用极其有限的流场数据即可实现对全流场的高精度重构,对流场涡结构也能实现较为精准捕捉.

数据驱动的空调系统故障诊断算法综述

随着经济发展和人们对生活环境品质要求的提高,越来越多的建筑安装了中央空调系统,而空调系统的故障会造成能耗浪费和室内环境品质下降,无法满足室内人员的热舒适需求,产生热抱怨。同时,随着自控技术的越来越多地应用于中央控制系统,传感器数量以及数据海量增加,使得基于白箱的故障诊断算法难以满足空调系统故障诊断的需求。以机器学习为主的人工智能技术不断地发展,为故障诊断算法带来了新的思路。本文全面综述了近二十年来基于数据驱动的故障检测和诊断(FDD)算法在暖通空调(HVAC)系统中应用的研究。由于数据驱动存在依赖与数据且模型解释性不足的问题。对此,最近越来越多的研究开始融合物理模型和数据驱动方法,旨在提升解释性、准确性并减少对大数据依赖,这将成为未来故障诊断研究的新方向,以实现更高效准确的诊断。

基于PINN深度机器学习技术求解多维中子学扩散方程

阐述了基于物理信息指引的神经网络模型(PINN),构造深度神经网络作为试函数,将其代入中子学扩散方程形成残差,并作为机器学习的加权损失函数,进而通过深度机器学习技术逼近中子学扩散方程数值解;针对扩散方程的特点,提出了特征值方程加速收敛方法、有效增殖系数(k_(eff))高效并行搜索技术、学习样本网格点不均匀分布策略等创新性关键技术,并对神经网络深度、神经元数量、边界条件损失函数权重等关键参数进行了敏感性分析。验证计算结果表明,该方法具有良好的精度,提出的关键技术具有显著的成效,为中子学扩散方程的数值求解探索出了新的技术途径。

耦合流动机理与运行数据的成品油管道瞬态仿真

【目的】成品油管道运行工况切换频繁,因此准确监测该过程流动参数,并获取管道高、低点水力状态变化规律尤为重要。现有瞬态估计方法大多依赖准确可靠的物理模型,多工况多参数组合下需高昂的计算成本,而基于机器学习的方法又忽视了管道瞬变物理规律,可靠性、准确性不足。【方法】建立一种耦合流动机理与运行数据的成品油管道瞬态仿真PINN(Physics-Informed Neural Network)模型:首先搭建深度神经网络(Deep Neural Network,DNN)模型,构建流量、压力与管道运行时空坐标映射关系,有效提取瞬变过程中流动参数与时空坐标的非线性关联;然后分析瞬变过程中各流动参数演化的内在联系,挖掘其所遵循的瞬变控制方程与对应的初始、边界条件;最后通过深度学习自动微分构造瞬变控制方程以及初始、边界条件对应惩罚项,约束模型解至瞬变机理解空间内,提高瞬态仿真的准确性。【结果】以某仿真管道系统启输、分输、增降输工况为例验证发现,相较DNN模型,所建PINN模型对于G1管道压力预测结果的MAPE分别降低了77.4%、88.7%、87.8%,流量预测结果的MAPE分别降低了86.7%、94.4%、95.7%;以中国华南地区某成品油管道降输、增输工况为例验证发现,相较DNN模型,所建PINN模型管道压力预测结果的MAPE分别降低了94.2%、92.8%。【结论】所建PINN模型可实现不同工况、参数组合下瞬态流动参数的高效、准确求解,有助于保障成品油管道运行过程的稳定性与安全性。